07 多工具对比：DESeq2 / edgeR / limma-voom
bulk RNA-seq 差异分析有三个"标配"工具 —— DESeq2、edgeR、limma-voom。它们建模思路不同，但在绝大多数真实数据上结果高度一致。本章做一次 head-to-head 对比：同一份 airway 数据、同一条 design、同一个对比，跑三种工具，看结果是不是真的如传说那样一致。
三种工具的建模差异
| 工具 | 模型 | 特点 |
|---|---|---|
| DESeq2 | 负二项 GLM + 共享离散度估计 + Wald / LRT | 默认的归一化（median of ratios）稳；LFC shrinkage 是一大卖点 |
| edgeR | 负二项 GLM + 经验贝叶斯估计离散度 | TMM 归一化，glmQLFTest 的 F 检验统计学上最稳 |
| limma-voom | 先 voom 把 counts 变成 log-CPM + 权重，再走 limma（线性模型 + 经验贝叶斯） | 速度最快，适合大规模比较；对样本量大的数据尤其稳 |
几个经验：
- 样本量 < 10 对 10，差异不大，三者谁都能用
- 样本量 > 50，limma-voom 的速度优势很明显
- 要做复杂的 contrast（比如多因子设计），limma 的接口最灵活
- 要做单细胞数据的 pseudobulk DE，目前最主流的搭配是 edgeR
为什么 bulk RNA-seq 没有"最佳工具"
很多新手希望有一个"最准的"工具能一锤定音。这不存在，原因是：
1. 三种工具数学上接近等价
DESeq2 和 edgeR 都建模负二项分布，只是离散度估计的先验不同；limma-voom 走线性模型路线，但 voom 的权重设计让它在 RNA-seq 上几乎等价。真实数据上 80%+ 的 DE 基因被三种工具都识别。
2. 各自有各自的最佳场景
- DESeq2 的 LFC shrinkage 在做下游可视化和 GSEA 排序时最稳
- edgeR 的 QLF 检验在 FDR 控制上最严格
- limma-voom 在 100+ 样本规模下速度优势是数量级的
3. 真正影响结果的是上游 QC 和 design
design = ~ condition vs design = ~ batch + condition 带来的差异，远大于"DESeq2 vs edgeR"的差异。先把 QC、批次、设计公式想清楚，工具选哪个其实不那么重要。
实务建议：新项目用 DESeq2（社区最大、教程最多）；样本量 > 50 用 limma-voom；做单细胞 pseudobulk 用 edgeR。一线发表都接受。
三条流水线怎么写
DESeq2、edgeR、limma-voom 的 API 有些差别，但核心都是"声明 design + 拟合模型 + 提取 contrast"：
# DESeq2
dds <- DESeqDataSetFromMatrix(cnt, colData, design = ~ cell + dex)
dds <- DESeq(dds)
res_deseq <- results(dds, contrast = c("dex", "trt", "untrt"))
# edgeR
dge <- DGEList(cnt) |> calcNormFactors(method = "TMM")
design <- model.matrix(~ cell + dex, data = coldata)
dge <- estimateDisp(dge, design)
fit_edg <- glmQLFit(dge, design)
qlf <- glmQLFTest(fit_edg, coef = "dextrt")
tt_edg <- topTags(qlf, n = Inf)$table
# limma-voom
v <- voom(dge, design, plot = FALSE)
fit_v <- lmFit(v, design) |> eBayes()
tt_lim <- topTable(fit_v, coef = "dextrt", number = Inf)
这三段都用同一份 cnt counts 矩阵和 coldata 样本表。关键在让设计矩阵一致：都是 ~ cell + dex，都检验 dex 的 trt vs untrt 效应。
真实示例：airway 上的三工具对比
配套脚本 bulk07_tools_sci.R 在同一份 airway 数据上跑 DESeq2 / edgeR / limma-voom，做完后对比 6 个维度：
Rscript scripts/bulk07_tools_sci.R
图 1：每个工具的 p 值分布
三个工具各自的原始 p 值分布。健康的直方图都有"0 附近 peak + 剩余均匀"的形状。如果某个工具的直方图出现 U 型或者整体左偏，说明它在这份数据上 模型拟合不好。airway 是个"好数据"，三个工具都给出了教科书级的 p 值分布。
图 2：不同 padj 阈值下的 DE 基因数
同一个对比，三种工具在 padj < 0.001 / 0.01 / 0.05 / 0.1 四个阈值上的显著基因数。数值差距通常在 10% 以内 —— 这就是"三个工具大差不差"的具体含义。
值得注意的是 edgeR 的 QLF 检验（glmQLFTest）在统计学上是比 DESeq2 的 Wald 更严格的检验，所以 edgeR 的 DE 数经常比 DESeq2 略少。这不是 edgeR 少找到，而是它更严谨。
图 3：DE 基因集的重叠
三个工具的 DE 基因集（padj < 0.05）的重叠分布。最大的那一条"DESeq2 + edgeR + limma-voom"说明绝大多数 DE 基因被三个工具同时发现。只被某一个工具独有发现的基因数相对很少，通常是边界基因（接近阈值）。
实用经验：三个工具都说是 DE 的基因，大概率是真 的信号；只被一个工具说是 DE 的，要多看一眼是不是 QC 问题或边界效应。
图 4：log2FC 的散点对比
三个工具估计的 log2 fold change 两两散点，红色虚线是 y = x 的对角线。点紧贴对角线 = 三个工具对效应大小的估计几乎一致。
DESeq2 vs edgeR 的相关系数通常在 0.99 左右；DESeq2 vs limma-voom 略低一点（limma-voom 的 LFC 在低表达区会稍微更平），但整体仍 > 0.98。
图 5：p 值的 Spearman 排序相关
三个工具两两之间，对所有基因按 p 值排序的 Spearman 相关。三个相关系数都 > 0.95。意思是：如果你把"基因按显著性从高到低排名"当作输出（比如用来做 GSEA），三个工具给出的排名几乎完全一样。
这个指标比"DE 基因集重叠"更稳 —— 因为后者会被阈值人为影响，而排序相关和阈值无关。
图 6：工具独有基因的效应大小
最后一个角度：三种工具独有的那些基因有什么共同点？把每类（A only、B only、C only、三个都有）的 |log2FC| 画成小提琴图。
- Shared by all（三个都有）：效应大，中位 |LFC| 可能在 1.5 以上 —— 这些是强信号基因
- 某一个工具独有：效应小，大部分 |LFC| 在阈值附近 —— 边界基因
这张图最重要的解读：工具间的分歧主要发生在"勉强显著"的基因上。真正的强信号，三个工具都抓得到。
什么时候选哪个
实用建议（可以背下来）：
| 场景 | 推荐 |
|---|---|
| 样本量小（< 6 对 6）、新项目 | DESeq2，默认最稳 |
| 样本量大（> 30 对 30） | limma-voom，速度最快 |
| 要做 ANOVA-like 检验（LRT / 多因子交互） | DESeq2 的 LRT 或 limma 的 contrasts.fit |
| 单细胞 pseudobulk | edgeR，目前最成熟 |
| 要做严格的 FDR 控制（需要 FPR < 5%） | edgeR QLF，最保守 |
| 要做 LFC shrinkage 做下游 | DESeq2 配 apeglm |
都跑一遍是一个好习惯。在一份新数据上，先用三种工具各跑一遍，如果结果相似，报告其中一种；如果结果差很多，说明数据或设计有问题，要回头看 QC。
除了这三个
其他常见选择：
- NOISeq：非参数方法，对非常态分布友好
- sleuth：搭配 kallisto/Salmon 的 bootstrap 结果使用，能同时建模定量不确定性
- BASiCS：有 spike-in 的数据可用
- DREAM（variancePartition）：处理复杂混合效应模型（样本重复测量、配对设计）
刚上手时没必要学这些；先把 DESeq2 / edgeR / limma-voom 中一个摸熟。
常见坑
坑 1：design 公式不一致就直接对比
DESeq2 用 ~ cell + dex、edgeR 用 ~ dex，对比出来 DE 基因差很多 — 当然，模型不一样。三工具对比的前提是 design 矩阵完全一致，否则比的是 design 不是工具。
坑 2：不同工具的 LFC 直接对比
DESeq2 的 LFC 是 shrunken 版本，edgeR 的是 raw，limma-voom 是基于 log-CPM 的回归系数。单位和尺度都不完全一样，散点图能看出趋势但绝对值有偏差。要对比结果一致性，更稳的是比较 p 值排序（Spearman correlation）。
坑 3：拿"工具独有的基因"当差异点报道
DESeq2 独有的 50 个基因里，大概率是 padj 在 0.04-0.06 边缘的基因，换个工具阈值偏一点就过不了。不要把工具差异当成"哪个工具更敏感"的证据，那只是阈值附近的随机扰动。
坑 4：limma-voom 跑出 pvalue = 0
eBayes() 的 t 统计量极端时会输出 pvalue = 0（数值下溢）。pvalue < 1e-300 的基因要 cap 到 1e-300 再做下游，否则 -log10(0) = Inf 让画图崩溃。
坑 5：edgeR 跑 LRT 但忘了 estimateGLMTagwiseDisp
旧版 edgeR 教程用 estimateCommonDisp + estimateTagwiseDisp，新版要用 estimateDisp（一步到位）。两套 API 不混用，老教程的代码在新版可能跑不通或报错。
下载资源
下一步
接着深入：
- 08 可复现分析报告与结果交付 — bulk RNA-seq 专栏的最后一篇，怎么把分析交付出去
横向延伸：
- 02 DESeq2 差异表达分析 — 如果某个工具的结果很奇怪，回头检查 DESeq2 的 QC 图
- Soneson 2018 RNA-seq 工具基准评测 — Nature Methods 的系统对比
参考资源
离线资料下载
手册 HTML / PDF 已在后台预生成，点击后直接下载网站静态资源。